Бизнес журнал
Искусственный интеллект превратился из экспериментальной технологии в доступный и мощный инструмент оптимизации бизнес-процессов для компаний любого масштаба.
Компания, занимающаяся оптовыми поставками строительных материалов, столкнулась с типичной для растущего бизнеса проблемой: процессы, которые работали эффективно при небольших объемах, начали давать сбои при масштабировании. Они обрабатывали все больше заказов, нанимали новых сотрудников, но при этом производительность не росла пропорционально затратам. Стало очевидно, что нужно не просто увеличивать команду, а пересматривать сами подходы к работе.
В этой статье я поделюсь реальной историей о том, как внедрение технологии искусственного интеллекта для решения конкретной бизнес-задачи. Это не абстрактные рассуждения о потенциале AI, а пошаговый разбор от выявления проблемы до измеримых результатов. Данный опыт показывает, что внедрение искусственного интеллекта доступно даже небольшим компаниям и не требует многомиллионных бюджетов или огромного штата программистов.
Компания ежемесячно обрабатывает около 500 заказов на строительные материалы от торговых сетей, строительных компаний и розничных магазинов. Ключевым процессом является обработка спецификаций — документов, в которых клиенты указывают необходимые им материалы и объемы.
Проблема заключалась в том, что эти спецификации поступали к нам в самых разных форматах: таблицы Excel с десятками вариаций структуры, PDF-документы, отсканированные бумажные формы и даже фотографии рукописных списков. Два менеджера по работе с клиентами тратили до 80 часов в месяц только на то, чтобы вручную перенести данные из этих документов в систему.
Этот процесс был не только времязатратным, но и чрезвычайно подверженным ошибкам. Менеджеры часто неправильно интерпретировали названия товаров или единицы измерения, путали цифры при ручном вводе, что приводило к неправильным заказам, возвратам и недовольству клиентов. В среднем около 14% заказов содержали те или иные ошибки, что негативно сказывалось на репутации компании и требовало дополнительных ресурсов на исправление.
Эту проблему пытались решить традиционными методами автоматизации. Сначала создали стандартную форму заказа и попросили клиентов использовать только ее. Однако многие крупные клиенты отказались менять свои внутренние процессы и продолжали присылать заказы в привычном для них формате. Затем пробовали использовать программы для оптического распознавания текста (OCR), но они работали неудовлетворительно с нестандартизированными документами и требовали существенной ручной доработки результатов.
Стало очевидно, что нужно решение, которое могло бы "понимать" разнообразные форматы документов и извлекать нужную информацию независимо от структуры входных данных. Именно тогда обратили внимание на технологии искусственного интеллекта.
Первоочередная цель была ясна: автоматизировать извлечение данных из клиентских спецификаций разных форматов и структур. Чтобы сократить время обработки заказов минимум вдвое, снизить количество ошибок до уровня ниже 2% и освободить менеджеров для более важной работы — развития отношений с клиентами и увеличения продаж.
После изучения различных технологических решений остановились на сочетании двух AI-технологий: оптического распознавания текста с использованием компьютерного зрения и обработки естественного языка на базе большой языковой модели (LLM). Первая технология преобразовывала документы разных форматов в текст, а вторая анализировала этот текст, понимала контекст и извлекала структурированные данные.
Для реализации проекта был выбран следующий стек технологий:
Важным преимуществом этого подхода была относительная простота внедрения. Не потребовалось не разрабатывать собственную нейросеть не нанимать команду data scientists. Были использованы готовые AI-сервисы с доступом через API и настроены под конкретные задачи.
Процесс интеграции состоял из нескольких ключевых этапов. Сначала мы создали тренировочный набор данных из 200 исторических документов разных форматов с правильно размеченной информацией о товарах, количествах, единицах измерения и ценах. Этот набор был использован для обучения Azure Document Intelligence распознавать ключевые элементы в документах.
Затем разработали промпты для GPT-4, чтобы модель могла правильно извлекать и структурировать информацию из распознанного текста. Это было особенно важно для обработки неоднозначных случаев, например, когда название товара было указано нестандартно или использовались разные единицы измерения.
Для интеграции с системой был создан автоматизированный рабочий процесс в Power Automate, который активировался при получении нового письма с заказом на специальный email-адрес. Процесс включал следующие шаги:
Внедрение системы заняло около 6 недель, включая время на обучение моделей, настройку интеграций и тестирование. На первых порах был запуск системы в параллельном режиме, когда AI обрабатывал заказы одновременно с менеджерами, что позволило сравнивать результаты и постепенно улучшать точность работы.
После двух месяцев работы в полноценном режиме была собрана статистика, которая превзошла первоначальные ожидания. Среднее время обработки одной спецификации сократилось с 45-60 минут до 5-7 минут, причем большую часть этого времени занимала финальная проверка менеджером, а не сам процесс извлечения данных.
Общая экономия рабочего времени составила более 40 часов в месяц на каждого менеджера, что эквивалентно высвобождению одной полной ставки при текущих объемах заказов. Это позволило не нанимать дополнительного сотрудника, несмотря на рост бизнеса, а перенаправить усилия имеющихся менеджеров на развитие отношений с клиентами и поиск новых возможностей для продаж.
Но наиболее впечатляющим результатом стало снижение количества ошибок при обработке заказов. Доля заказов с ошибками уменьшилась с 14% до менее 1.5%, причем большинство оставшихся ошибок были связаны с неполными или противоречивыми данными в исходных документах клиентов, а не с работой системы распознавания.
Интересным побочным эффектом стало то, что система начала выявлять закономерности в заказах клиентов, которые не были очевидны раньше. Например, было замечено, что некоторые клиенты регулярно заказывают определенные комбинации товаров, и это позволило создать специальные комплексные предложения, что привело к увеличению среднего чека на 12%.
#ИскусственныйИнтеллект #AIвБизнесе #Автоматизация #ЦифроваяТрансформация #ОптимизацияПроцессов #БизнесЭффективность #ВнедрениеAI #УмныйБизнес #GPT4вБизнесе #ОбработкаДокументов
